近年来,随着机器视觉及无人机技术的发展,在输电线路检测方面得到了越来越多的应用。传统的人工输电线路检测方式效率低下且危险性高,目前基于无人机的输电线路巡检逐渐成为主流。绝缘子作为输电线路中重要的元件之一,因其长期暴露在自然环境下,而导致元件损坏与老化问题尤为突出,严重制约着电网运行的安全性和系统的稳定性。因此,为了使输电线路更加稳定且安全的运行,定期对绝缘子巡检显得尤为重要。但输电线路中的绝缘子大多处于复杂背景之下,其伪目标众多,颜色信息丰富,导致将绝缘子从复杂的无人机航拍图像中分割出来具有很大难度,因此寻求一种通用且高效的分割方法是当下研究的重点。本文主要针对输电线路巡检中的绝缘子分割技术展开研究,以提高复杂背景下绝缘子分割的准确率和效率,为实现输电线路自动化奠定基础。本论文的主要研究工作如下:第一,论述了航拍绝缘子图像分割的背景与研究意义,总结并分析现阶段关于绝缘子分割的国内外研究现状与存在的问题。第二,针对航拍绝缘子图像易受到混合噪声的干扰,使得后续绝缘子分割难度增大。因此需要对航拍绝缘子图像进行预处理,减少噪声对后续图像分割精度所造成的影响。本章首先分析了航拍绝缘子图像中混合噪声的特点,改进了传统PCNN模型突触链接强度取值固定的弊端,提出自适应突触链接强度使中心神经元与其邻域神经元间实现更好的相互作用,并通过赋时矩阵实现了噪声点的准确定位,减少了传统方法对噪声点的漏判和误判的现象;其次在赋时矩阵中,利用中心神经元与周围8邻域神经元的之间的关系,判断噪声点类型;最后对不同噪声点的类型选择相应的滤波算法,完成对噪声点的滤波。实验结果表明该方法与传统去噪方法相比所得到的峰值信噪比、信噪比改善因子以及均方误差更好。第三,针对航拍绝缘子图像具有背景复杂及伪目标多等特点,本文提出一种基于FSLIC的自适应绝缘子图像分割方法。本文从超像素的角度入手,首先分析传统SLIC算法中超像素数目K对分割结果的影响,提出了一种自适应确定K值的FSLIC方法,消除人工选择K值造成的误差;其次为了剔除伪目标,提取超像素区域内的颜色、纹理、形状三类特征并融合得到复合特征,消除了由于特征选取不当造成的伪目标干扰问题;最后利用特征相似度,构建出超像素区域间的相似度矩阵,通过相似度矩阵使用复杂网络社区聚类得到分割后的绝缘子图像。第四,由于传统分割方法是基于视觉的底层特征或浅层特征,容易导致特征表达不全面且人工特征提取耗时长等问题。随着深度学习的发展,将深度学习技术应用于航拍输电线路巡检中,有效解决传统方法普适性差以及特征表达不全面等问题。本文提出了基于深度学习的S-Deeplab语义分割方法。首先以DeeplabV3网络为基础,分析了传统编码器结构中Xception模型的弊端,提出使用轻量化mobilenet模型替换传统Xception模型,解决了网络复杂程度高与运算量大等问题,大大减少了运算时间以及参数数量;其次引入FSLIC超像素并与网络上采样的分割图进行融合,细化了绝缘子边缘,提高分割准确度。最后通过实验与传统DeepLabV3网络在航拍绝缘子图像语义分割的精度进行对比,实现绝缘子的准确分割。最后,总结本论文的所有工作,指出绝缘子分割中仍未解决的问题并展望下一步的研究方向。